连续噪声背景下分离脉冲信号的数理统计方法

在故障诊断中常遇到以脉冲形式出现的故障信号，后伴有大小随机变化的连续噪声，甚至超过故障信号，为此，本文提出采用数理统计方法－滑动平均值及方差，将故障信号分离出来，经实验验证，该方法非常有效。     

在连续噪声背景下分离脉冲信号的一种方法

在探伤中经常遇到以脉冲形式出现的伤信号，伴有大小随机变化的连续噪声，包括某些因为仪器平衡点漂移产生的趋势项．有时噪声绝对值可能相当大，甚至超过伤信号．作者提出一种简便有效的方法，可以将伤信号分离出来，并对此方法作了一定的理论分析     

小波包分析在电机转子断条故障信号处理中的应用

针对笼型异步电动机转子断条故障信号的处理,采用基于小波包分析的转子断条故障信号处理方法进行故障检测.该方法突出特点在于多分辨率多尺度分析故障特征信号,能够准确识别故障特征信号.结果表明:根据电动机定子电流信号的小波包分解系数能够有效地检测转子断条故障信号.     

滚动轴承复合故障的混合协同诊断方法

针对传统复合故障诊断方法存在故障难以完全分离的缺点, 提出了滚动轴承复合故障的混合协同诊断方法。首先对观测信号的协方差矩阵进行奇异值分解, 求出白化矩阵并对复合故障信号进行白化处理; 然后, 利用联合对角化方法对白化后的故障矩阵进行对角化变形, 通过最小化对角化程度函数得到正交矩阵; 最后, 通过正交矩阵估计故障源信号矩阵, 实现复合故障的分离; 由于二阶盲辨识方法分离出的故障信号间存在无序性以及相似性, 导致分离信号故障类型难以确定, 因此将分离后的故障信号进行短时傅里叶变换, 通过分离信号的时频谱图与原信号时频谱图进行比较, 并根据趋势一致性确认所对应的故障类型。最终, 以广东省石化装备故障诊断重点实验室的轴承数据进行实验论证, 结果表明, 二阶盲辨识协同短时傅里叶变换能有效将滚动轴承的复合故障信号分离出来, 工程上具备可操作性和极大的应用价值。     

基于自适应提升小波包的故障微弱信号特征早期识别

针对齿轮箱故障微弱信号特征识别问题,设计了一种识别该类信号微弱特征的自适应提升小波包方法.该方法以提升方法为基础,构造了提升小波包分解和重构过程算法,并以分解层信号相邻样本点自相关系数的大小作为目标函数,在每个样本点上选择能够自适应匹配信号局部特性的提升小波包算子,将每个分解频带信号进行重构,识别时域故障微弱信号特征.该方法成功地识别出了某齿轮箱发生摩擦故障时隐含在振动信号中的调制波形和周期性冲击脉冲故障微弱特征.结果表明,自适应提升小波包方法对强噪声背景下故障微弱信号特征的识别效果优于经典小波包方法.     

基于改进HHT的微弱故障信号特征提取方法

针对微弱故障信号故障特征难以提取的问题,提出一种基于改进希尔伯特-黄变换的故障特征提取方法。该方法首先采用平均总体经验模态分解将故障信号分解成一系列固有模态函数,再选取对故障特征敏感的固有模态函数进行希尔伯特谱和边际谱分析,从中提取故障特征。仿真和实际试验证明:希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为微弱故障信号的特征提取提供了一种切实可行的方法。     

配电网故障定位实用化研究

从实用化的角度出发,针对配电网自身的特点,提出了利用C型行波原理进行配电网故障定位的方法。该方法不利用故障发生时自身产生的行波信号,而是在故障后在故障线路首端离线注入高压脉冲信号,采集线路首端的行波信号,通过分析行波的特征,从而实现故障定位。针对分析行波信号时存在的难点,提出了解决办法。设计了故障定位实现流程。对现场实验进行了详细分析。证明了该方法的可行性。     

基于局部线性降维拓扑空间的主轴故障诊断方法

机床主轴故障的形成是一个长时间历程渐进性发展的过程,为了实现主轴系统的故障预警和智能维护,需要准确提取主轴早期故障的特征。主轴的早期故障信号特征微弱难以获取,为解决早期故障原始信号特征不具备良好可分性的困难,提出基于局部线性降维拓扑空间理论的主轴故障特征提取方法。该方法首先采集主轴系统的振动信号,然后对信号进行小波降噪处理并进行信号重构;用获取的重构信号构造轴心轨迹的高维流形拓扑空间,使用局部线性降维算法获得主轴系统的故障敏感特征。经过实验验证,该方法能准确地提取故障敏感特征,为判断主轴故障提供了依据。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

EMD与样本熵在往复压缩机气阀故障诊断中的应用

针对往复压缩机气阀故障信号冲击性、非连续性特点,采用EMD方法分解提取各频率故障信号。然后通过对数据重新筛选、提出主要振动信息对分解波形进行了重构。并对往复压缩机故障信号分解及重构数据进行了分析,提取了故障信息。针对正常与故障信号分解结果复杂度不一致的特点,对EMD分解后包含的故障信息主要分量进一步通过样本熵进行量化识别。最后通过对正常、阀片缺口、弹簧失效的实测信号进行EMD分解、重构和样本熵分析,精确提取了故障信息,验证了方法的有效性。     

基于复杂传递路径的发动机主轴轴承故障信号提取技术

航空发动机主轴轴承故障信号经过复杂路径传递至机匣后信噪比低,小波降噪能有效降低噪声水平,盲源分离与包络谱技术能从混合信号中分离出发动机主轴轴承故障信号并提取故障特征。依据发动机振动信号特征,对采集到的机匣振动信号进行小波降噪处理消除系统噪声,再对降噪后信号进行盲源处理分离出原始故障信号,最后对分离出的原始故障信号进行包络谱分析提取出轴承故障特征信息。对试验数据处理发现:该方法成功地提取出主轴轴承外圈内滚道与滚棒故障信号。这为航空发动机主轴轴承故障诊断提供了一种重要的研究方法,具有重要的研究意义。     

小波分析在发动机早期故障识别中的应用研究

在对飞机发动机早期故障进行分析的基础上,提出了利用虚拟仪器和小波分析相结合对发动机早期故障进行识别的原理与方法。文中对如何从检测信号中提取早期故障特征信号和对早期故障特征信号进行分离、放大、识别等进行了分析和研究,并通过实验证明了所提方法的有效性。结果表明,虚拟仪器强大的图形化功能与小波分析良好的多分辨率时频局部化特性,能够从复杂的微弱信号中提取出早期故障特征信号,并能有效地消除噪声,对早期故障进行快速识别。     

基于匹配追踪的快速独立分析方法在轴承复合故障盲源分离中的应用

针对强噪声干扰下轴承复合故障信号难于提取分离的问题,提出基于匹配追踪的快速独立分析方法.首先,通过基于Gabor原子的匹配追踪方法对单通道故障信号进行降噪处理;然后,根据终止条件的不同数值条件得出多组重构信号,组成多组信号,实现信号升维;最后,通过快速独立分析方法对降噪处理后的复合故障信号进行盲分离.实验数据分析结果表明:所提方法具有可行性和有效性,为强噪声干扰下的复合故障信号分离与提取提供了一种方法.     

基于小波变换的电力电缆故障测距研究

随着电力电缆的广泛应用,对电缆故障测距的精确度要求也日益提高.为了实现电缆故障的精确定位,引入小波变换的方法对电缆故障行波信号进行检测和分析.根据信号的奇异性检测原理,采用搜索模极大值的方法确定行波信号起始脉冲和反射脉冲时间点,应用单端行波在线故障测距方法进行测距.实验结果表明,利用小波变换的时频局部化特性可有效聚焦到电缆行波信号的奇异点,从而得到精确的脉冲到达时刻.该方法不受电缆故障类型的影响,测距误差小,可获得较高的故障定位精度.     

基于VMD和FCM的配电网单相接地故障选线

为了准确识别出小电流接地系统的单相接地故障线路,提出基于VMD与模糊C均值聚类理论相结合的新故障选线方法。当系统发生单相接地故障时,故障和非故障相线路的零序暂态电流会有差异,由此可用VMD电流数据进行分析,提取主要频带信号和能量熵,用FCM算法对能量熵聚类将其分为故障信号类和非故障信号类,从而识别出故障线路。通过仿真证明了此方法选线结果准确、可靠。     

基于声发射波形流信号的滚动轴承故障双谱分析及诊断

使用声发射波形流测试技术,采集滚动轴承正常状态及外圈故障、内圈故障和滚动体故障时的声发射波形流信号,分析声发射波形流信号与故障频率特征值间的关系。运用包络谱分析方法对滚动轴承声发射波形流信号进行分析,提取运转过程中信号峰值频率,通过与滚动轴承不同故障固有特征频率的理论值对比,发现具有很好的一致性。通过对滚动轴承声发射波形流信号的包络分析,可实现滚动轴承故障的早期诊断。     

应用小波包结合FFT方法检测转子断条故障信号

针对笼型异步电动机转子断条故障信号的处理,提出了一种小波包分析结合FFT的处理方法.该方法弥补了单独使用FFT无时间分辩力和无法准确识别微弱故障特征信号的缺点,也弥补了单独使用小波包分析只能得到各频带信号成分而无法得到频点信号的不足.实验证明该方法是可行的,应用该方法能够准确检测到笼型异步电动机转子断条故障信号.     

双树复小波包和谱峭度在齿轮故障诊断中的应用

针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和谱峭度的齿轮故障诊断方法.首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用谱峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调谱,从而提取故障特征信息.通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和谱峭度结合的方法可有效地提取齿轮故障特征信息,进而实现故障识别,验证了方法的可行性和有效性.     

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次, 对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次, 根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪, 从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制, 从而突出了故障特征。     

某型装备齿轮箱故障诊断研究

针对某型装备齿轮箱故障在复杂环境下,故障特征难提取的特点,对信号进行盲分量分离,将信号分为周期信号、随机非平稳信号和随机平稳信号.改进了Antoni的基于短时傅立叶变换的盲分离算法.通过自适应谱线增强器分离周期信号以及随机信号,仿真及试验结果表明,该方法可以有效提取齿轮箱信号的故障成分,具有广阔的应用前景.